Choice：从几个选项里挑一个
适合分流和归类。比如电商售后工单，要在「退款」「物流」「商品质量」「其他」里挑一个团队接手。返回的是被选中的那一项，以及每一项各自的概率。
choice: 物流组 · 置信度 0.87
结构化决策体验
出一道题，看它怎么判断
写下情况描述，选好题型和选项，就能看到它选了什么、每个选项的概率是多少。
判断结果
直接点「开始判断」跑一遍示例，或者换成你自己的业务场景。
这个工具适合用来理解题型、练习出题和验证想法。请用不含敏感信息的测试数据，想清楚判断方式之后再用到真实业务里。
先弄清它是什么
Jev 是什么：只做判断、不写文章的模型
我们平时用的 ChatGPT、DeepSeek、通义千问，本质上都在「往下写」：你问一句，它回一段话。人读起来很顺，可一旦要把结果交给程序，就得再做一堆事：从回答里抠出结论，检查格式对不对，还要猜它到底有没有把握。
Jev 换了个思路。你先把题出好，把能选的答案列清楚，它只负责在这些答案里做判断，再把每个答案的概率一起返回。TypeSafe 把这类模型叫作 System One 模型。这个名字来自心理学里「系统一、系统二」的说法，很多人是从《思考，快与慢》这本书里知道它的：系统一是快速、凭直觉的判断，系统二是一步步推理。Jev 做的是前者。
所以它不是来取代大模型的，而是补上大模型不擅长、也不划算的那一块：每天成千上万次、答案范围固定的小判断。按 TypeSafe 的说法，这类任务交给 Jev 会比交给通用大模型快得多、便宜得多，具体数字以官方文档为准。
三种题型，分别解决什么问题
出题之前先想好：你要的是「选一个」「是不是」，还是「打几分」。题型决定了返回结果的形状，程序拿到结果之后怎么走，也就跟着定下来了。
Noul：回答「是」还是「不是」
适合做检查和拦截。比如一条外卖差评要不要安排人工回访，它返回的是「是」的概率，门槛由你来定。Noul 是 TypeSafe 起的名字，可以理解成带概率的是非题。
P(是) = 0.83
Score：按等级打分
适合评估轻重缓急。比如把用户投诉分成「一般」「较急」「紧急」「立即处理」四档，它会给出每一档的概率，再算出一个加权分数，方便你排队处理。
score = 2.4 / 3
题目怎么出，决定了结果好不好用
- 01
情况描述只写和这道题有关的事实
把整段聊天记录、用户资料一股脑塞进去，反而容易把判断带偏。只留下做这次决定真正需要的信息，比如订单状态、用户原话、已经做过哪些处理。
- 02
选项要互不重叠，最好留一个兜底
「物流慢」和「没收到货」很容易打架，要么合并，要么写清边界。再加一个「其他」或「无法判断」，让模型拿不准的时候有地方可去，而不是硬选一个。
- 03
一次只问一件事
「要不要退款，退多少」其实是两道题。拆开问，每道题的概率才有意义，出了问题也容易查出是哪一步判断错了。
- 04
选项直接用系统里真实的去向
写「转给售后二组」比写「交给合适的人」好得多。程序拿到答案就能执行，不用再转换一次。
拿到概率之后，门槛怎么定
Jev 的价值有一半在概率上。它不只告诉你选了什么，还告诉你有多确定，这样你就能决定哪些结果自动执行，哪些交给人。
按后果定门槛，别一个数字用到底
工单分错了，最多是多转一次手，门槛可以放宽一些；涉及退款、删数据、改权限的动作，门槛要高得多，或者干脆一律人工确认。
先只记录、不执行，跑一段时间再放开
新规则上线前先在旁边挂一周，把模型的判断和人工的处理结果对一对，看看不同门槛下会错多少，再决定从哪一类单子开始自动化。
概率高也可能判错
概率高只说明模型很确定，不代表它一定对。把输入、选项、概率和最后执行的动作都记下来，出问题时才查得清楚。
请求和返回大概长这样
下面是一个请求和返回的例子，具体字段以你接入的接口文档为准。返回里没有一句自然语言，程序直接读字段就行。
{
"model": "jev-latest",
"state": "用户：买的酸奶三天了还没到，物流一直显示在途，想取消订单退款。",
"questions": {
"team": {
"type": "choice",
"instructions": "这条售后请求应该交给哪个团队？",
"criteria": {
"退款组": "用户明确要求退款或取消订单",
"物流组": "问题主要出在配送环节",
"商品质量组": "商品本身有问题",
"其他": "以上都不符合"
}
}
}
}{
"answers": {
"team": {
"type": "choice",
"choice": "退款组",
"probabilities": {
"退款组": 0.58,
"物流组": 0.37,
"商品质量组": 0.02,
"其他": 0.03
},
"confidence": 0.58
}
}
}数字只是示意。这个例子里「退款」和「物流」都说得通，两个概率拉不开，正好说明这种单子应该先让人看一眼，而不是直接自动分派。
哪些活适合交给 Jev，哪些不适合
适合
- 客服、售后工单的自动分派
- 评论和帖子的内容审核初筛
- 销售线索按意向强弱打分
- Agent 执行到一半时，决定下一步调用哪个工具
- 任务失败后判断该重试、换方案，还是停下来找人
不适合
- 写文案、写总结、写代码这类需要生成文字的事
- 要经过多步推理才能得出结论的分析
- 答案不在你列出的选项里的开放问题
- 必须给出判断理由、要向别人解释的场合
常见问题
Jev 和 ChatGPT、DeepSeek 是什么关系？
不是同一类东西。ChatGPT、DeepSeek 这类大模型擅长写和聊，Jev 只做选项固定的判断。实际项目里常见的做法是两者配合：大模型负责理解和生成，遇到需要拍板的分支点，再交给 Jev 这类模型给出一个带概率的结论。
需要注册或者付费吗？
不用注册，也不收费。为了防止滥用，同一个 IP 每分钟最多提交 8 次，遇到提示稍等一会儿再试就行。
可以用中文出题吗？
可以。情况描述、问题和选项都能直接写中文，上面的示例就是中文写的。选项名也可以直接用中文，程序拿到的答案就是你写的那几个字。
输入的内容会被保存吗？
本站不会把你输入的内容写进日志，但请求需要转发给第三方的模型服务处理，对方怎么处理数据不在我们的控制范围内。请把它当成公开演示，不要填写手机号、身份证号、密码、客户资料这类敏感信息。
能直接拿来做正式业务吗？
不建议。公共接口没有可用性保证，可能因为冷启动变慢，也可能临时满载。正式使用请通过 TypeSafe 的官方 API 接入，并加上鉴权、限流、超时和日志。
判断之后，还得有人去做
Jev 负责拍板，OpenClaw 负责把事办完
Jev 适合回答「下一步走哪条路」，但真正走这条路，比如打开网页查资料、整理文件、在飞书里回消息，需要一个能动手的 Agent。OpenClaw 就是这样一个云端 AI 助手：你像给同事布置任务一样跟它说话，它会用浏览器、处理文件、调用工具，并且一直在自己的云端实例里待命。
直接说人话
不用画流程图，把想要的结果讲清楚就行。
接进飞书和 Telegram
在常用的聊天工具里给它派活，结果也在那里收。
不用自己装
云端实例由我们托管，浏览器打开就能用。
无需本地安装，选好套餐后在浏览器或聊天工具里就能开始。